بررسی الگوریتم های پردازش گراف های بزرگ در محیط های ابری با منابع ناهمگن

طی سال های اخیر، چهارچوب های بسیاری برای تسهیل آنالیز و محاسبه گراف های بزرگ ارائه شده است. هرچند صرف نظر از معماری های توزیع شده یا معماری های تک ماشینی این چهارچوب ها، مقیاس پذیری پویا همواره یک چالش بوده است. حتی هنگامی که همبستگی بین مقیاس پذیری و هزینه مالی وجود دارد (مانند سرویس های ابری عمومی)، این مساله مهم تر نیز می شود. مدل پرداخت به ازای استفاده معمولا توسط سرویس دهنده های ابری عمومی مورد استفاده قرار می گیرد تا کاربران بتوانند فقط به اندازه منابعی که استفاده می کنند، هزینه پرداخت کنند. با این حال، پردازش گراف در مقیاس بزرگ در این گونه محیط ها تحت بررسی قرار گرفته است و چهارچوب های زیادی برای خوشه ها پیاده سازی شده است، زیرا توسط منابع مصرفی امکان شارژ مجدد ندارند. در این بررسی، الگوریتمی برای استفاده از مزایای ناهمگنی منابع در محیط ابری ارزیابی می شود. سیستم با استفاده از این الگوریتم ها می تواند به صورت خودکار، تعداد انواع ماشین های مجازی را براساس نیازهای محاسباتی، برای کاربردهای همگرایی گراف تنظیم کند تا میزان کارایی افزایش یافته و هزینه مالی کل عملیات کاهش یابد. همچنین یک مکانیزم برای طراحی پروفایل ارائه می شود که از یک روش پارتیشن بندی مجدد پویا استفاده می کند تا بخش های مختلف گراف را توزیع کند. بیان می شود که روش پیشنهادی از چهارچوب های مشهوری همچون Giraph بهتر عمل می کند و هزینه آن در قیاس با گیراف، حداقل 50 درصد کمتر است.